英国 AISI 使用 EvalEval 分享可复制的 LLM 基准测试结果

英国人工智能安全研究所（AISI）已与 EvalEval 达成合作，共享六款前沿模型的评估结果：Claude Opus 4、Claude Opus 4.5、Claude Opus 4.6、GPT-5、GPT-5.2 和 GPT-5.4。AISI 正在使用 EvalEval 的评估卡（Evaluation Cards）平台，提供透明且可复现的评估结果，包括五个基准测试的经验证结果、上下文和配置信息。此次合作建立在以往研究的基础上，旨在提升评估科学的可复现性与可验证性。通过共享评估结果和基础设施，AISI 与 EvalEval 正致力于诊断评估报告中的差距，并构建共享基础设施来弥补这些差距。